实现android的异步async下的异步网络图片的加载和获取，亲测可用

基于深度学习的bP神经网络 进行图像分类 的代码实例

这是一个基于BP神经网络的图像压缩方法的m文件，可自行下载参考

传统的图像融合算法多有计算复杂程度高、不能有效提取图像纹理等不足，为了弥补以上传统算法，提出了一种基于孪生卷积神经网络（Siamese Convolutional Neural Network，Siamese CNN）的图像融合方法.首先，用孪生卷积神经网络生成一个权重图，该权重图包含了来自两个待融合图像的全部像素信息.然后，用图像金字塔对像素以多尺度的方式进行融合，并且采用了局部相似性策略自适应调整分解系数的融合模式.最后，和现存的几种图像融合的方法进行了对比.实验证明，该方法有较好的融合效果，具有一定的可实用性.

一种用于网络图像版权保护的双重水印算法，陈莹，张申，本论文通过对网络上数字图像安全的分析，针对数字图像易于被拷贝和被篡改的现象，提出了网络上数字图像的水印方案。该数字水印嵌

前馈神经网络图像去噪，DnCNN的MATLB实现，以及相应的峰值信噪比和结构相似性的计算。

BP神经网络的代表者是D.Rumelhart和J.McCelland，“反向传播（backpropagation）”一词的使用出现在1985年后，它的广泛使用是在1986年D.Rumelhart和J.McCelland所著的Parallel Distributed Processing这本书出版以后。BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。

针对传统去雾算法需要人工提取特征,对比度低、信噪比低等问题, 提出一种基于多特征融合的卷积神经网络去雾算法。利用卷积神经网络算法模拟人类视觉系统对雾天图像进行层次化处理, 实现自动提取特征。算法采用直接从雾天图像到清晰无雾图像映射的学习方式, 该映射由特征提取、多尺度特征融合和浅层深层特征融合联合实现。多尺度特征融合提升网络对图像细节的重建, 浅层深层特征融合则将浅层卷积得到的轮廓信息和深层卷积得到的细节信息进行融合, 提升去雾重建的整体效果。实验结果表明, 相比于单一尺度网络, 多特征融合网络的峰值信噪比提高了1.280 dB。本文算法对自然雾天图像去雾效果明显, 细节信息和对比度均优于其他算法, 为去雾方法的研究提供了新思路。

提出了一种利用图像深度学习解决无线电信号识别问题的技术思路。首先把无线电信号具象化为一张二维图片，将无线电信号识别问题转化为图像识别领域的目标检测问题；进而充分利用人工智能在图像识别领域的先进成果，提高无线电信号识别的智能化水平和复杂电磁环境下的识别能力。基于该思路，提出了一种基于图像深度学习的无线电信号识别算法——RadioImageDet 算法。实验结果表明，所提算法能有效识别无线电信号的波形类型和时/频坐标，在实地采集的12种、4 740个样本的数据集中，识别准确率达到86.04%，mAP值达到77.72，检测时间在中等配置的台式计算机上仅需33 ms，充分验证了所提思路的可行性和所提算法的有效性。

现有深度残差网络作为一种卷积神经网络的变种，由于其良好的表现，被应用于各个领域，深度残差网络虽然通过增加神经网络深度获得了较高的准确率，但是在相同深度情况下，仍然有其他方式提升其准确率.本文针对深度残差网络使用了三种优化方法：（1）通过卷积网络进行映射实现维度填充；（2）构建基于SELU激活函数的残差模块（3）学习率随迭代次数进行衰减.在数据集Fashion-MNIST上测试改进后的网络，实验结果表明：所提出的网络模型在准确率上优于传统的深度残差网络.